sam/bam格式说明

在生物信息学中尤其是高通量测序数据分析中，大部分的操作都是在实现短片段序列与参考序列的比对（mapping），比如bowtie等，这就涉及到如何使用一个统一的格式来表示这种mapping结果呢，sam（Sequence Alignment/Map）格式就是来解决这个问题的。sam文件拥有头部描述和详细比对两部分，其中头部描述是以@开头，后面紧跟两个缩写字母表示相应的含义。

SAM分为两部分，注释信息（header section）和比对结果部分（alignment section），注释信息可有可无，都是以@开头，用不同的tag表示不同的信息，主要有@HD，说明符合标准的版本、对比序列的排列顺序；@SQ，参考序列说明；@RG，比对上的序列（read）说明；@PG，使用的程序说明；@CO，任意的说明信息。而详细比对部分是通过11个tab隔开的字段来表示。
下面主要讲解下详细比对部分字段的具体含义：
alignment section部分：如果其内容没有获得，可以用*或者0代替。

---------------------------------------------chromosome至CIGAR的信息都是非常重要的
其中：
1. QNAME 表示的是查询序列的名称即短片段（reads）的名称；
2. FLAG 以整数来表示比对的结果，不同数值有不同的意义，数值也可以是下列数的组合；
sam/bam格式说明

比如如果FLAG是4的话则表示该reads没有比对到参考序列上，flag为16表示single-end reads比对到参考序列的反链上，flag为83（64+16+2+1）表示paired-end reads中的第一个reads比对到参考序列上了。

3. RNAME 表示参考序列的名称，比如基因组的染色体编号等，如果没有比对上则显示为*；【chromosome】
4. POS 表示比对的起始位置，以1开始计数，如果没有比对上则显示为0；【5'端起始位置】
5. MAPQ 比对质量；（数字越大，特异性越高）
6. CIGAR CIGAR 字符串，即比对的详细情况，记录插入，删除，错配，后剪切拼接的接头。简要比对信息表达式（Compact Idiosyncratic Gapped Alignment Report），其以参考序列为基础，使用数字+字母表示比对结果。比如3S6M1P1I4M，前三个碱基被剪切去除了，然后6个比对上了，然后打开了一个缺口，有一个碱基插入，最后是4个比对上了，是按照顺序的；
7. RNEXT 双末端测序中下一个reads比对的参考系列的名称，如果没有则用 " * " 表示，如果和前一个reads比对到同一个参考序列则用" = "表示；【mate名称，记录mate pair信息】
8. PNEXT 下一个reads比对到参考序列上的位置，如果没有则用0表示；【mate的位置】
9. ISIZE/TLEN query序列的模板长度或者插入长度，Template的长度，最左边得为正+，最右边的为负 -，中间的不用定义正负，不分区段（single-segment)的比对上，或者不可用时，表示为0；
10. SEQ reads的序列信息；
11. QUAL reads的序列质量信息，同FASTQ。

-----------后面还有些可选字段，比如：

12.可选字段（optional fields)【程序用标记】，格式如：TAG:TYPE:VALUE，其中TAG有两个大写字母组成，每个TAG代表一类信息，每一行一个TAG只能出现一次，TYPE表示TAG对应值的类型，可以是字符串、整数、字节、数组等。

示例：http://blog.csdn.net/u012150360/article/details/70556186博耘生物

解释：
sam/bam格式说明

其中可以看出Aligenment 2 和 Alignment 3是成对的reads，其插入长度为314。
bam格式中的b是binary的意思，是sam格式的二进制表示方式，为什么要用二进制表示呢？因为sam格式文件大小通常是十分大的，一般是以G为单位，所以为了减少存储量等因素而将sam转换为二进制格式以便于分析。
sam/bam格式是由特定的一些软件（比如samtools）来处理的，包括格式互转、排序、建立索引、搜寻突变等操作，后续分析中会详细讲解samtools工具的使用方法。

【数据格式说明】

1.bam文件读取
samtools view xxx.bam
samtools view xxx.bam |less

2.bam和sam的区别与一致

（1） sam是带有比对信息的序列文件（即告诉你这个reads在染色体上的位置等），用于储存序列数据（SAM format is a generic format for storing large nucleotide sequence alignments. ）（2） BAM is the compressed binary version of the Sequence Alignment/Map (SAM) format. 生物信息中的二进制文件主要是为了节约空间，计算机机可读。可以用samtools工具实现sam和bam文件之间的转化。

二者都是fastq文件经过序列比对或者mapping后输出的格式（其储存的信息都是一致的）

【flag】

1 ：代表这个序列采用的是PE双端测序

2：代表这个序列和参考序列完全匹配，没有错配和插入缺失

4：代表这个序列没有mapping到参考序列上

8：代表这个序列的另一端序列没有比对到参考序列上，比如这条序列是R1,它对应的R2端序列没有比对到参考序列上

16：代表这个序列比对到参考序列的负链上

32 ：代表这个序列对应的另一端序列比对到参考序列的负链上

64 ：代表这个序列是R1端序列， read1;

128 : 代表这个序列是R2端序列，read2；

256：代表这个序列不是主要的比对，一条序列可能比对到参考序列的多个位置，只有一个是首要的比对位置，其他都是次要的

512：代表这个序列在QC时失败了，被过滤不掉了（# 这个标签不常用）

1024: 代表这个序列是PCR重复序列（#这个标签不常用）

2048: 代表这个序列是补充的比对（#这个标签具体什么意思，没搞清楚，但是不常用）

上面的这几个标签都是2的n次方，这样的数列有一个特点，就是随机挑选其中的几个，它们的和是唯一的，比如65 只能是1 和 64 组成，代表这个序列是双端测序，而且是read1

samtools 中flag 可以查看flags详细信息：如：

$samtools flags 77
0x4d 77 PAIRED,UNMAP,MUNMAP,READ1
flags值为77
PAIRED表示这条序列采用双端测序，其值为1；
UNMAP表示这个序列没有mapping到参考序列上，其值为4；
MUNMAP表示这个序列的另一端序列没有比对到参考序列上，其值为8；
READ1表示这条序列是R1端序列，其值为64.
以上数值相加和为77

$samtools flags 141
0x8d 141 PAIRED,UNMAP,MUNMAP,READ2
flags值为141
PAIRED表示这条序列采用双端测序，其值为1；
UNMAP表示这个序列没有mapping到参考序列上，其值为4；
MUNMAP表示这个序列的另一端序列没有比对到参考序列上，其值为8；
READ1表示这条序列是R1端序列，其值为128.
以上数值相加和为141

【samtools】

对SAM文件的处理，安装，samtools软件来处理

tar zxvf samtools-0.1.18.tar.bz2

cd samtools-0.1.18/

make

samtoolpath=`pwd`

PATH=PATH:$samtoolpath

例如：

2，samtools 将SAM文件转化为BAM文件

samtools view -bS eg2.sam > eg2.bam

3，用samtools sort将BAM文件进行排序。

samtools sort eg2.bam eg2.sorted